Este documento presenta una metodología para entrenar un modelo de Aprendizaje Profundo destinado a tareas de gestión de vuelo en un vehículo aéreo no tripulado (VANT) de ala fija, específicamente control de piloto automático y predicción de GPS. En esta formulación, los datos de los sensores y la señal de GPS más reciente se procesan primero mediante un LSTM para producir una predicción inicial de coordenadas. Esta estimación preliminar se fusiona luego con entradas adicionales de sensores y se pasa a un MLP, que reemplaza el algoritmo convencional de piloto automático generando los comandos de control para la navegación en tiempo real. El enfoque es particularmente valioso en escenarios donde la aeronave debe seguir una ruta predeterminada, como operaciones de vigilancia, o mantener un enlace terrestre remoto bajo una disponibilidad variable de GPS. El estudio se centra en VANT de Clase I; sin embargo, la metodología propuesta puede adaptarse a clases más grandes (II y III) ajustando las configuraciones de los sensores y los parámetros de la red. Para recopilar datos de entrenamiento, se instrumentó una pequeña aeronave de ala fija para registrar entradas cinemáticas y de control, que luego sirvieron como entradas para la red neuronal. A pesar de la limitada suite de sensores y el uso de un controlador de vuelo de código abierto (SpeedyBee), la flexibilidad del enfoque propuesto permite una fácil adaptación a VANT más complejos equipados con sensores adicionales, lo que podría mejorar la precisión de la predicción. El rendimiento de la red neuronal, implementada en PyTorch, se evaluó comparando sus datos predichos con los registros de vuelo reales. Además, se ha demostrado que el método es robusto tanto ante interrupciones cortas como prolongadas de GPS, ya que se basa en la navegación basada en puntos de referencia a lo largo de rutas previamente exploradas, asegurando un rendimiento fiable en contextos operativos conocidos.